ARM机器人开发板选型——基于RK3588、CIX、NVIDIA等平台的嵌入式解决方案解析

近些年来, 人工智能不断取得突破, 大模型也持续进步, 计算机视觉同样有着新进展, 机器人操作系统（ros1/ros2等）也在持续突破, 它们推动着服务机器人加速落地, agv加速落地, amr产品加速落地, 巡检机器人加速落地, 人形机器人等产品加速落地。在这样的趋势情形下, 机器人主控平台正一步步地在由传统plc向高性能arm边缘计算平台演进, 由工控机向高性能arm边缘计算平台演进。和x86架构相比较而言, arm平台依靠着低功耗的优势, 凭借着小体积的特质, 有着多样化外设接口并且ai算力持续增强等各方面优势, 已然成为了当前机器人控制系统的关键支撑了。

不久前留意发现, 有几款处于主流态势的芯片平台, 在机器人开发领域已然促成存在实际应用的案例, 其中包含入门级的瑞芯微系列, 还有国产具备高性能的此芯（CIX）系列, 另外还有作为高算力代表的Orin Nano/Super系列。这三类平台, 分别对从基础功能验证直至复杂AI推理的全场景需求予以覆盖, 在性能所处层级、软件支持所拥有的能力以及适用的方向方面, 各自具备独特的特点。

机器人开发板需具备哪些关键能力？

当今的用于现代机器人的是那种把环境感知与之融合, 把智能决策与之融合, 把运动规划跟人机交互一起整合起来的具备综合性特点的智能终端。所以呢, 针对一款已然成熟的机器人开发板来讲情况是这样的, 常常需要去满足下面这些核心要求:

首先是多任务并行处理能力, 这要求既要稳定运行ROS2系统, 又要稳定运行SLAM建图, 还要稳定运行导航栈, 并且要稳定运行路径规划模块, 以及稳定运行运动控制逻辑, 同时要稳定运行后台服务进程, 另外还要具备足够AI算力, 以支撑YOLO目标检测, 还要支撑OCR文字识别, 也要支撑人体姿态估计, 并且要支撑深度图生成, 以及要支撑语音识别（ASR/TTS）, 乃至要支撑轻量化大语言模型（LLM）的端侧部署。

先说这第二层, 是具备全面性的工业级接口资源, 其中涵盖了USB 3.0/2.0 , 还有CAN FD , 以及RS232/RS485 , 另外有GPIO , 还有I²C , 再者有MIPI CSI等 , 这些是用来连接多种不同类型的传感器与执行部件的 , 像激光雷达 , RGB-D相机 , 伺服驱动器 , IMU惯性单元 , 编码器等等。

最末端的是完备的软件生态予以支持, 此支持涵盖兼容主流操作系统, 主流操作系统之中包括、、、或这些, 并且能够毫无缝隙地集成ROS2及其配套工具链, 配套工具链诸如rviz、rqt、、tf2等, 借助这些便利能够实现快速构建机器人功能模块。

以此能够见到，机器人开发板的选型, 已经远远不是局限于CPU主频, 或者核心数了, 反而是围绕着AI算力密度, 以及接口扩展性, 还有系统兼容性, 加之算法适配度, 以及开发工具成熟度所展开的, 一种综合评估。

机器人典型开发架构详解

当下, 主流的AGV, 主流的AMR, 以及服务机器人, 普遍运用“AI主控板（上位机）+ 运动控制器（下位机）+ 多源传感器融合”这样的分层控制架构。其中, 上位机开发板负责搭建系统运行环境, 将ROS2框架进行部署, 还要完成SLAM建图、导航事宜是必不可少工作, 多传感器数据融合这事项子也在列职责范围, AI模型推理这项任务要求也得执行, 大语言模型调用以及Qt/QML人机界面渲染等任务同样在其工作权限内, 并且要借助CAN总线、RS485或者也是UART串口, 把速度指令、转向角度、机械臂关节目标值等控制信号发送给下位机MCU；而下位机大多选用STM32、GD32或是ESP32等微控制器 , 着重于电机闭环控制领域, 伺服驱动管理工作也在其工作范畴, 编码器反馈采集也属于其负责部分, 底盘运动执行是其工作内容之一 , 末端执行器协调工作也在处理范围内, 除此之外实时IO状态监控也是其工作任务, 最后还要把底层运行状态回传给上位机有着这样的职责。整个闭环由ROS2完成任务调度、行为决策与运动轨迹生成。

典型硬件配置清单如下：

在自主导航这一方面需要机器人运行激光同时视觉的 SLAM 算法, 还有进行多模态定位与建图这项工作, 同样开展全局路径规划工作像 A*、、RRT、其中包含 A*等形式, 也包括局部动态避障处理办法 DWA、TEB 等, 以及底层运动控制策略, 依靠这些来达成在非结构化环境里的精准建图这么回事, 实现实时定位这一情况, 做到自适应路径重规划以及障碍物规避内容。针对工业物流场景而言, 还要引入多机协调调动机制, 能够支持 AGV/AMR 集群的任务分配工作, 开展路径冲突检测这一活儿, 进行交通监管此项事宜以及优先级仲裁事务, 全方位提升仓储加上产线对物流运行的效率。

在人机交互的这个维度上, 有越来越多的服务机器人, 开始去集成端侧语音识别也就是ASR, 还有语音合成即TTS, 以及自然语言理解是NLU, 再加上轻量级大语言模型LLM, 以此实现语音问答, 还有业务导览, 以及服务预约, 包括任务下发等拟人化交互体验, 与此同时, 结合多模态视觉语言模型VLM, 进一步去拓展图像内容理解, 还有场景语义分析, 以及视觉问答VQA等高级认知能力。

有这样一种整体技术路线, 它以 ARM 平台作为 AI 中枢, 以 ROS2 作为通信骨架, 以 AI 算法作为智能引擎, 以 MCU 作为运动执行单元, 此路线已成为在服务用机器人、AGV、AMR、巡检类机器人、配送型机器人以及智能物流装备的研发过程中, 最为主流且最为稳健的工程实践型方案。

ROS2机器人系统基础支撑

不管选用哪一种 ARM 平台, 当下机器人开发之中的绝大多数情况依旧是基于 ROS 体系的。ROS2 采用 DDS（Data）中间件以此作为底层通信机制, 在实时性方面, 它显著优于 ROS1，在可靠性方面, 它显著优于 ROS1, 在安全性方面, 它显著优于 ROS1, 在分布式扩展性方面, 它显著优于 ROS1, 它能够高效支撑激光雷达驱动、视觉感知处理、SLAM 建图、导航规划、运动控制以及多机协同等关键功能模块。逐渐地, ROS2生态朝着日益完备的方向发展, 众多开源算法库, 像是nav2之类的, 都已经完成了对ARM架构的适配, 这极大程度地削减了开发者在通信协议、消息序列化以及节点生命周期管理等诸多方面的重复性投入, 进而使得开发者能够更加专注于机器人业务逻辑以及算法优化方面。

所以, 于开发板选择类型进程里, 除去硬件参数以外, ROS2原生兼容性能、SDK完整程度、算法预编译支持状况以及社区活跃程度也已然变成重要考量指标。比如说定昌电子所推出的AI开发板, 已经深度适配ROS2 /Foxy版本, 给出完整镜像、驱动包、例程代码以及文档说明, 去帮助开发者迅速启动机器人项目。

平台：兼顾稳定性与性价比的轻量级机器人主力方案

动态的新闻图文资讯分页列表代码

借助分页插件, 来制作json动态获取图文列表数据的分页展示效果, 此效果支持分页指定跳转；需要注意的是, 涉及跨域, 而本地环境下能够正常访问。

下载

该系列, 是国内在 ARM 机器人开发领域, 应用颇为广泛的平台之一, 它采用 4×-A76 与 4×-A55 八核异构 CPU 架构, 集成具备 6 TOPS AI 算力的 NPU, 在性能表现上, 在成本控制方面, 以及在接口丰富度层面, 都达成了不错的平衡。

该平台适用于服务机器人, 适用于AGV, 适用于AMR, 适用于巡检机器人, 适用于配送机器人等中端应用场景, 它能够稳定运行/v8/v10系列目标检测, 可稳定运语义分割, 会稳定运行PP-OCR文字识别, 能稳定运行HRNet姿态估计等主流AI模型, 且支持经INT8量化后的Phi-3, 支持经INT8量化后的Qwen2等轻量大语言模型端侧部署。

于软件生态范畴内, 已达成对 12/13 , 达成对 22.04/24.04 , 达成对 12 以及对多种国产操作系统之全面支持, 并且 ROS2 官方镜像与第三方 ROS2 发行版（诸如 Nav2 等）全都能够直接运行, 开发者能够迅速达成 SLAM 建图功能原型验证, 达到自主导航功能原型验证, 做到多传感器同步功能原型验证, 达成路径跟踪功能原型验证。

硬件接口阶段, 标准开发板一般配备双千兆以太网资源, 配备USB 3.0/2.0资源, 配备MIPI CSI-2摄像头接口资源, 配备CAN FD资源, 配备RS232/RS485串口资源, 配备PCIe 3.0资源, 配备GPIO扩展排针等资源, 能够轻易对接各类激光雷达, 能够对接双目/ToF深度相机, 能够对接工业视觉模组, 能够对接伺服驱动器及现场总线设备, 格外适宜商业化机器人产品的迅速量产实现。

CIX平台：面向复杂AI任务的国产中高端机器人方案

因机器人朝着多模态感知、具备强交互能力以及往端侧大模型推理的方向迈进, 故而对AI算力与系统扩展性的要求持续攀升。此芯平台依靠高达45 TOPS（INT8）的AI算力, 变成了能够支撑多模型并发、实现复杂语音交互以及进行大语言模型本地部署的理想之选, 并且它还是国产替代路径之下的重要技术载体呢。

该平台装载有12核ARM CPU, 其中包含4个-A720大核, 再加4个-A720中核, 还包括4个-A520小核, 它凭借高性能的NPU以及GPU来协同进行加速, 使得整机的AI峰值算力可以达到45 TOPS, 其具备的算力水平能够对多路目标检测起到支撑作用, 也足以支撑深度估计, 还能支撑ORB-SLAM3视觉建图, 以及鸟瞰图感知, 同样能够支撑SAM图像分割, 还有多模态VLM, 以及诸如Phi-3-mini、Qwen2-0.5B等端侧大模型的并行推理。

并且, CIX平台对14、24.04 LTS、11 IoT以及4.1等主流操作系统做到了全面兼容, 给双2.5G以太网、USB 3.2 Gen2、HDMI 2.1、1.4、M.2 Key M/E扩展槽、MIPI DSI/CSI、PCIe 4.0等丰富高速接口作为支持, 进而为下一代智能服务机器人、仿生人形机器人与AI边缘服务器打造出强大硬件底座。

这是否是, 面向科研的旗舰级机器人平台, 同时还面向高端应用的, Orin Nano?

Orin Nano系列能给予的最高AI算力是67 TOPS（INT8）, 它集成了1024个CUDA Core以及32个 Core, 其设计是基于GPU微架构, 是专为高负载视觉感知、多模态AI融合、实时自主决策这般复杂任务去打造的。

平台的核心竞争力, 不仅仅在于硬件性能, 更在于其高度成熟的AI开发生态, CUDA、ONNX、SDK以及Isaac ROS等全套工具链, 均原生支持, 绝大多数机器人视觉算法, 比如YOLO-NAS、ViT-Lane、RAFT光流估计、点云检测等, 无需大幅修改, 即可直接部署, 极大缩短算法迁移与工程化周期。

在酒店里头, 迎宾机器人会用到该平台, 医院里物资配送机器人也要用它, 电力或者化工领域的巡检机器人同样离不开它, 人形机器人本体的控制方面该平台能发挥作用，高校机器人实验室对于依赖GPU并行计算能力比较强的这些场景, 该平台也都广泛应用其中, 而且在算法验证效率上, 在模型兼容性方面, 以及跨平台复用性方面, 它都有着明显优势。

针对硬件接口而言, Orin Nano给予MIPI CSI - 2摄像头输入, CAN 2.0 B总线, USB 3.2, 千兆以太网, PoE供电接口, GPIO扩展引脚等等, 用以达成机器人多传感器同步采集, 高速图像处理, 以及实时控制反馈的需求。

不同平台对应哪些机器人应用场景？

贴合当下产业实践状况以及技术演进趋向, 上述提及的三大ARM平台展现出明晰的应用分层情况。

更适宜预算方面受控制, 着重稳定交付以及生态成熟的商业级服务机器人, AGV/AMR, 快递配送机器人, 安防巡检终端还有智能交互终端, 它能够在性能, 功耗以及开发成本之间获取到最优的解决方案。

CIX聚焦于那种AI需求更高的机器人形态, 这种形态交互更复杂, 像高端酒店服务机器人, 还有教育陪伴机器人, 以及具身智能原型机, 顺带还有人形机器人头部以及躯干控制单元, 它且支持多模型协同推理, 并且能让端侧大模型持续演进。

Orin系列主要针对科研探索, 以及前沿算法验证, 还有高性能AI机器人产品, 多见于高校机器人竞赛平台, 以及国家级重点实验室, 还有初创公司原型验证, 另外在医疗/航天等高可靠性场景也较为常见。

对于开发者而言, 需要依据项目的特定定位, 考量算法的复杂程度, 顾及 OS 与 ROS2 的兼容适配要求, 斟酌长期维护所需成本, 以及规划未来升级走向轨迹, 以理性的态度去评估选择平台, 防止陷入片面的 “唯算力论”情况境地, 切切实实地达成技术价值与商业落地两者的全面统一。

相关标签： # ARM机器人开发板 # RK3588 # CIX # NVIDIAJetsonOrin # ROS2